# 吴师兄大模型(www.wushixiongai.com)

> 围绕 RAG、Agent、推理部署等工程项目拆解面试题：先给 30 秒回答，再讲清完整工程过程，并继续追问职责、选型、指标、失败案例和上线过程。另保留 851 道基础知识题、项目教程，以及公开分享与教学复原形式的面经。作者吴师兄（GitHub MisterBooo，LeetCodeAnimation 作者）。

## 核心入口
- [大模型项目面试题](https://www.wushixiongai.com/questions/project)
- [RAG 项目面试题](https://www.wushixiongai.com/questions/project/rag)：从文档解析、Chunk、混合检索、Rerank、评测与上线出发，把一条 RAG 工程链路讲清楚，再练技术选型、失败排查和效果验证。
- [Deep Research 项目面试题](https://www.wushixiongai.com/questions/project/deep-research)：围绕一个会规划、检索、阅读、校验并生成带引用报告的研究 Agent，深入练长任务设计、工具可靠性、训练方法和评估闭环。
- [Agent 项目面试题](https://www.wushixiongai.com/questions/project/agent)：从一个真正会规划、调用工具、保存状态并处理失败的 Agent 出发，深入练架构取舍、状态恢复、安全边界和多智能体协作。
- [大模型应用开发学习路线图（2026 版，四阶段）](https://www.wushixiongai.com/roadmap)
- [RAG 面试题大全与知识体系](https://www.wushixiongai.com/rag)
- [Agent 面试题大全与开发指南](https://www.wushixiongai.com/agent)
- [转行大模型应用开发指南（路线图 / 岗位选择 / 面试全解）](https://www.wushixiongai.com/guide)
- [按公司查大模型面试题](https://www.wushixiongai.com/companies)
- [主题专题矩阵](https://www.wushixiongai.com/questions)
- [大模型评估与监控面试题大全](https://www.wushixiongai.com/evaluation)
- [Prompt 工程面试题大全](https://www.wushixiongai.com/prompt-engineering)
- [重排与检索优化面试题大全](https://www.wushixiongai.com/rerank)
- [大模型微调与训练面试题大全](https://www.wushixiongai.com/finetune)
- [Transformer 与模型架构面试题大全](https://www.wushixiongai.com/transformer)
- [向量检索面试题大全](https://www.wushixiongai.com/vector-search)
- [知识图谱与 GraphRAG 面试题大全](https://www.wushixiongai.com/knowledge-graph)
- [多模态大模型面试题大全](https://www.wushixiongai.com/multimodal)
- [面试题库（851 道）](https://www.wushixiongai.com/questions)
- [RAG 智能问答系统完整教程](https://www.wushixiongai.com/projects/rag-system)
- [Deep Research Agent 完整教程](https://www.wushixiongai.com/projects/deep-research)
- [AI 编程 · Agent 实操](https://www.wushixiongai.com/ai-coding)
- [面经与教学复原](https://www.wushixiongai.com/mianjing)
- [大模型简历项目模拟面试](https://www.wushixiongai.com/resume)
- [吴师兄的大模型项目与公开作品](https://www.wushixiongai.com/evidence)
- [大模型面试题图解 100（GitHub 公开资料）](https://github.com/MisterBooo/llm-interview-questions)
- [关于网站与作者](https://www.wushixiongai.com/about)

## 项目面试题（已发布 75 篇）
> 每篇包含 30 秒回答、完整工程解释、连续追问与项目准备清单。
- [RAG 已经能搜 PDF，为什么视频不能直接入库？](https://www.wushixiongai.com/questions/project/rag/video-ingestion)：视频文件能上传，不等于内容能检索。先把声音与画面变成可搜索、可定位、可核验的证据片段。
- [PDF、PPT、扫描件为什么不能共用一条解析 Pipeline？](https://www.wushixiongai.com/questions/project/rag/multi-format-parsing-pipeline)：统一的应该是下游数据结构，不是上游解析方法。格式路由做错，后面的 Embedding 只会索引错误内容。
- [扫描 PDF 没有文本层，RAG 怎么做 OCR 与失败降级？](https://www.wushixiongai.com/questions/project/rag/scanned-pdf-ocr-pipeline)：OCR 读出字只是起点；阅读顺序、表格结构、坐标映射和失败页隔离共同决定入库质量。
- [复杂 PDF 的双栏、表格和图片怎么解析，才不会打乱语义？](https://www.wushixiongai.com/questions/project/rag/complex-pdf-layout-tables)：文字都提取出来仍可能是错的。RAG 需要的是结构正确的内容，而不是字数最多的一段文本。
- [MinerU 能直接解决 RAG 文档解析吗？哪些页面必须二次处理？](https://www.wushixiongai.com/questions/project/rag/mineru-post-processing)：开源解析器是基线，不是质量承诺。先识别失败类型，再决定专用模型、规则修复或人工队列。
- [RAG 文档解析质量怎么评估？不能只看“解析成功”](https://www.wushixiongai.com/questions/project/rag/parsing-quality-evaluation)：接口返回 200 只说明程序没崩。解析是否可用，要看内容能否被正确检索、理解和回到原文。
- [RAG Chunk 为什么不能只按固定字数切？](https://www.wushixiongai.com/questions/project/rag/chunk-semantic-boundaries)：切分目标不是让每块一样长，而是让检索命中一个能独立回答问题的最小语义单元。
- [Chunk Size 和 Overlap 怎么选？不要背 512 和 100](https://www.wushixiongai.com/questions/project/rag/chunk-size-overlap)：参数不是背出来的。文档结构、问题粒度、Embedding 上限和上下文预算共同决定 Chunk 与 Overlap。
- [跨页表格、代码块和图片怎么切，才不丢结构？](https://www.wushixiongai.com/questions/project/rag/table-code-image-chunking)：特殊内容不是一律“不可切”。关键是先保住结构，再在超限时按可解释的逻辑单元拆分。
- [Chunk 为什么要带标题、页码和前后片段 ID？](https://www.wushixiongai.com/questions/project/rag/chunk-metadata-traceability)：正文负责语义检索，metadata 负责边界、过滤和追溯。两者缺一，RAG 都难以稳定上线。
- [RAG 知识库如何动态更新？重复上传怎么做到不重复、不漏写？](https://www.wushixiongai.com/questions/project/rag/incremental-ingestion-idempotency)：幂等不是“文件名相同就跳过”。要区分内容稳定 ID、旧版本清理和批量写入的部分失败。
- [RAG 为什么要同时用 BM25 和向量检索？](https://www.wushixiongai.com/questions/project/rag/hybrid-retrieval-bm25-vector)：按面试官的追问顺序，拆解关键词检索、语义检索、融合、重排、故障排查和效果验证。
- [RRF 和加权求和怎么选？两路检索分数为何不能直接相加？](https://www.wushixiongai.com/questions/project/rag/rrf-vs-weighted-fusion)：一个是词面相关度，一个是向量相似度。直接相加看似简单，实际先要解决分数是否可比。
- [Rerank 为什么更准，却不能对整个知识库运行？](https://www.wushixiongai.com/questions/project/rag/rerank-cost-quality)：Rerank 负责把候选排对，不负责从全库找回遗漏证据。它更精细，也因此更昂贵。
- [Query 重写、扩写和 HyDE，应该在哪些查询上启用？](https://www.wushixiongai.com/questions/project/rag/query-rewrite-expansion-hyde)：Query 优化不是统一加一道 LLM 调用。不同方法解决不同失败类型，也可能改错用户原意。
- [Embedding 和 Rerank 模型怎么选？什么时候值得领域微调？](https://www.wushixiongai.com/questions/project/rag/embedding-rerank-model-selection)：榜单只能筛候选，真实知识库的 Query、Chunk 和资源约束才决定最终模型。
- [RAG 检索效果差怎么排查？从 Query 到 Rerank 逐层定位](https://www.wushixiongai.com/questions/project/rag/rag-retrieval-debugging)：不要一看到错误答案就改 Prompt。先确认正确证据有没有入库、有没有召回、有没有排到前面。
- [资料里没有答案时，RAG 怎么避免强行生成？](https://www.wushixiongai.com/questions/project/rag/rag-no-answer-control)：向量库总能返回最接近的片段。系统还要判断这些片段是否真的足以回答。
- [RAG 引用怎么做到可核验？为什么让模型自己标来源不够？](https://www.wushixiongai.com/questions/project/rag/rag-citation-attribution)：引用不是答案末尾多一个文件名。它必须能证明具体陈述，并能回到正确页码或片段。
- [多轮 RAG 如何理解“这个怎么申请”？](https://www.wushixiongai.com/questions/project/rag/multi-turn-query-rewrite)：把全部历史塞给检索器并不能自动解决多轮问题。先要把当前追问恢复成可独立检索的问题。
- [对话历史太长怎么办？滑动窗口、摘要和长期记忆怎么分工？](https://www.wushixiongai.com/questions/project/rag/conversation-memory-management)：记忆不是把所有聊天记录永久塞进 Prompt，而是选择当前回答真正需要的历史信息。
- [RAG 评测集怎么构建？问题、答案和证据必须怎么标？](https://www.wushixiongai.com/questions/project/rag/rag-evaluation-dataset)：只有问题和答案不够。没有正确证据位置，就无法判断到底是检索错了还是生成错了。
- [Recall@K、MRR、Faithfulness，分别在评估 RAG 哪一层？](https://www.wushixiongai.com/questions/project/rag/rag-evaluation-metrics)：RAG 是一条链路。指标也必须分层，否则最终分数下降时仍然不知道该修哪一段。
- [RAG 首字响应为什么慢？Embedding、检索和生成怎么逐段优化？](https://www.wushixiongai.com/questions/project/rag/rag-first-token-latency)：性能优化的第一步不是上缓存，而是把首字前发生的每个阶段单独计时，找出最长的那一段。
- [一个可上线的 RAG 系统怎么拆？离线入库、在线问答和监控如何闭环？](https://www.wushixiongai.com/questions/project/rag/production-rag-architecture)：能跑通 Demo 只证明主链路存在。可上线还要处理状态、隔离、重试、观测、降级和回归。
- [什么时候该用 Deep Research，而不是普通 RAG？复杂问题怎么分级路由？](https://www.wushixiongai.com/questions/project/deep-research/deep-research-complexity-routing)：Deep Research 不是默认链路。先判断任务最低需要哪一级能力，再用路由评测集验证质量、等待时间和工具代价。
- [Deep Research 拿到一个大问题后，怎么拆成能查证的子问题？](https://www.wushixiongai.com/questions/project/deep-research/deep-research-question-decomposition-replanning)：问题拆解不是列报告目录，而是为每项研究主张定义动作、证据和完成条件，并根据新证据增量调整计划。
- [Deep Research 为什么会一直搜索？什么时候该停？](https://www.wushixiongai.com/questions/project/deep-research/deep-research-stopping-conditions)：最大步数只能防止程序失控。真正的停止机制要区分研究完成、无进展、风险中止和预算耗尽。
- [Deep Research 报告有引用就可信吗？多个来源互相矛盾怎么办？](https://www.wushixiongai.com/questions/project/deep-research/deep-research-citation-cross-validation)：引用不是报告末尾的链接列表。每个关键结论都要绑定原文、位置和适用条件，来源冲突先对齐口径再表达。
- [ReAct 为什么短任务好用，做长程研究却会越跑越乱？](https://www.wushixiongai.com/questions/project/deep-research/deep-research-react-long-horizon)：ReAct 的循环适合短任务。长程研究的问题来自原始 Observation 持续累积、状态不清和错误沿轨迹传播。
- [IterResearch 的演进报告为什么不是普通摘要，怎样避免越改越错？](https://www.wushixiongai.com/questions/project/deep-research/deep-research-iterresearch-evolving-report)：演进报告是驱动下一轮研究的受控状态，不是只追求简短和通顺的对话摘要。
- [ReSum 动态摘要怎样压缩长任务，又不把关键证据丢掉？](https://www.wushixiongai.com/questions/project/deep-research/deep-research-resum-summary-quality)：ReSum 用可控的信息损失换取长任务继续执行，质量关键在保护状态、保存证据和支持回滚。
- [Deep Research 并行任务怎么拆，依赖、尾延迟和综合成本怎样控制？](https://www.wushixiongai.com/questions/project/deep-research/deep-research-parallel-research-synthesis)：并行研究的关键不是多开 Agent，而是只并行无依赖单元，并控制尾部任务、共享工具与综合成本。
- [Deep Research 有 Search、Visit、Scholar 和 Python，Agent 怎样选对工具？](https://www.wushixiongai.com/questions/project/deep-research/deep-research-tool-routing)：工具路由要根据当前证据缺口选择能力，并由程序检查前置条件、权限、参数和重复动作。
- [Function Calling 有了 JSON Schema，为什么工具参数还是会错？](https://www.wushixiongai.com/questions/project/deep-research/deep-research-tool-schema-function-calling)：JSON Schema 能提高结构稳定性，但业务语义、当前状态、权限和副作用仍需程序校验。
- [Search 超时、Visit 受限、Python 报错时，Deep Research 怎样继续而不乱答？](https://www.wushixiongai.com/questions/project/deep-research/deep-research-tool-failure-recovery)：工具容错的目标不是永远返回文本，而是在失败时仍保持证据标准、状态可恢复和边界清楚。
- [缓存能省调用，为什么 Deep Research 反而可能拿旧资料回答“最新”？](https://www.wushixiongai.com/questions/project/deep-research/deep-research-cache-freshness)：缓存命中只说明旧结果可复用候选，不代表它仍满足当前任务的时间、权限和证据要求。
- [Deep Research 训练的种子问题从哪里来，怎样避免一开始就把数据做偏？](https://www.wushixiongai.com/questions/project/deep-research/deep-research-seed-data-design)：种子问题决定后续轨迹与训练分布，任何来源都要经过证据、合规、去重和难度验收。
- [简单问答怎样升级成真正需要多步研究的问题，又不把题目编坏？](https://www.wushixiongai.com/questions/project/deep-research/deep-research-complex-qa-generation)：复杂问答的难度来自不可省略的证据路径，而不是题目更长；每次变换后都要独立求解并重新验收。
- [Teacher 生成的 Agent 轨迹为什么不能直接拿去训练，怎样筛出高质量样本？](https://www.wushixiongai.com/questions/project/deep-research/deep-research-trajectory-generation-quality)：Teacher 只生成候选轨迹，工具观察、行动进展、证据答案与数据分布都要独立验证。
- [轨迹里工具返回为什么不能参与 Loss，Observation Mask 做错会怎样？](https://www.wushixiongai.com/questions/project/deep-research/deep-research-observation-loss-mask)：工具返回要作为上下文被模型看见，但不能成为模型的生成目标；Mask 必须在真实模板和 token 边界上验证。
- [首次 SFT 后格式稳定了，为什么工具选择和答案仍然不行？](https://www.wushixiongai.com/questions/project/deep-research/deep-research-first-sft-format-vs-policy)：格式稳定只说明冷启动开始生效，工具选择、证据利用和答案完整度仍需独立评测与补数。
- [训练数据里 Search 太多，为什么 Agent 遇到什么都想先搜？](https://www.wushixiongai.com/questions/project/deep-research/deep-research-tool-selection-data-bias)：工具偏置来自状态与动作边界失真，不能靠各工具数量相等解决，也不能预先承诺调比例后的收益。
- [Deep Research Agent 训练中，CPT、SFT 和 GRPO 应该怎样取舍？](https://www.wushixiongai.com/questions/project/deep-research/deep-research-multistage-agent-training)：CPT 注入行动偏置，SFT 建立可执行起点，GRPO 优化环境策略；是否进入每一阶段必须由能力缺口和验收证据决定。
- [GRPO 为什么同一道题要采样一组答案，组内相对优势到底怎么算？](https://www.wushixiongai.com/questions/project/deep-research/deep-research-grpo-group-relative-advantage)：GRPO 用同组 reward 统计替代可学习 value model，但学习质量完全依赖组内可比、reward 与环境可信。
- [长轨迹被截断就算失败吗，为什么这样做会把 Agent 训成提前乱答？](https://www.wushixiongai.com/questions/project/deep-research/deep-research-truncated-trajectory-negative-samples)：没有 final answer 只说明未完成；策略错误、环境失败、预算耗尽与技术截断必须分别处理。
- [Deep Research 一跑几分钟，为什么不能用普通同步接口硬等？](https://www.wushixiongai.com/questions/project/deep-research/deep-research-long-running-task-serving)：长任务需要把客户端连接、任务生命周期和模型工具资源解耦，并用持久化状态机管理恢复。
- [一次 Deep Research 到底花了多少钱，为什么只看总 Token 找不到成本黑洞？](https://www.wushixiongai.com/questions/project/deep-research/deep-research-cost-observability)：成本必须落到任务、步骤、模型、工具、重试与结果质量，在线估算和真实账单也要分开。
- [Deep Research 评估为什么不能只看最终答案，过程合理又该怎么量？](https://www.wushixiongai.com/questions/project/deep-research/deep-research-evaluation-result-process)：最终答案和研究过程是两条独立证据，需要分层评估、共同归因，并防止效率与可读性掩盖事实错误。
- [LLM Judge 分数变高，为什么 Deep Research 可能反而更会刷分？](https://www.wushixiongai.com/questions/project/deep-research/deep-research-llm-judge-goodhart-loop)：Judge 分数只表示符合当前评估器，必须用规则、换位、多 Judge、人工和独立 holdout 校准。
- [LLM、Workflow 和 Agent 怎么选？什么任务根本不该做成 Agent](https://www.wushixiongai.com/questions/project/agent/agent-vs-workflow-decision)：是否使用 Agent，不取决于技术是否热门，而取决于任务是否需要在不确定环境中多步决策，以及系统能否约束它的权限、成本和停止条件。
- [Agent 规划应该写在 Prompt 里，还是固定在业务代码里？](https://www.wushixiongai.com/questions/project/agent/agent-planning-prompt-vs-code)：生产级规划不是把一切交给模型，也不是把所有路径写死，而是用代码固定边界和主干，只开放能够验证、能够回退的局部决策。
- [ReAct Agent 为什么会死循环？停止条件和步数上限怎么设计](https://www.wushixiongai.com/questions/project/agent/react-loop-stop-conditions)：ReAct 的关键不是让模型多思考几轮，而是用业务完成条件、失败条件、预算和重复检测约束循环，并为无法完成的任务准备安全出口。
- [Agent Planner 生成的计划为什么不能直接执行？怎么校验和动态重规划](https://www.wushixiongai.com/questions/project/agent/agent-plan-validation-replanning)：LLM 生成的是候选计划，不是可直接执行的授权。计划必须先验证结构、依赖、工具、权限、预算和完成条件，环境变化后只重规划受影响部分。
- [Agent 反思机制怎么落地？Reflector 和 Critic 不能只让模型“再想一次”](https://www.wushixiongai.com/questions/project/agent/agent-reflection-critic-quality-gate)：有效反思不是让同一个模型重复评价自己，而是用独立证据判断结果缺口，并把修复范围、次数和出口约束成可回放流程。
- [LangGraph 的 StateGraph 怎么设计？State、Node、Edge 到底各负责什么](https://www.wushixiongai.com/questions/project/agent/langgraph-stategraph-design)：StateGraph 不是把多个模型节点连起来，而是把状态、处理责任、条件路由和失败出口显式化。
- [Agent 任务中断后怎么恢复？Checkpoint、断点续跑和人工审批怎样设计](https://www.wushixiongai.com/questions/project/agent/agent-checkpoint-resume-human-approval)：可靠恢复需要一致快照、幂等副作用和审批协议共同工作，而不是只保存聊天记录。
- [Function Calling 到底怎么跑？模型不会执行函数，完整工具结果循环怎么实现](https://www.wushixiongai.com/questions/project/agent/function-calling-tool-result-loop)：模型只提出工具调用意图，宿主程序校验并执行，再把结果回传给模型继续决策。
- [Agent 工具怎么设计和注册？Tool Schema、Registry 与执行器如何解耦](https://www.wushixiongai.com/questions/project/agent/agent-tool-schema-registry)：Schema 帮模型理解工具，Registry 管理执行器和策略，网关负责真实校验、执行与审计。
- [Agent 有几十上百个工具时怎么选？大工具集路由怎样设计和验收](https://www.wushixiongai.com/questions/project/agent/agent-large-tool-routing)：大工具集先按身份和任务过滤，再召回与重排小候选集，最终由网关重新授权和执行。
- [Agent 工具返回成功就算完成了吗？调用、执行、业务成功要分三层判断](https://www.wushixiongai.com/questions/project/agent/agent-tool-three-layer-success)：工具不报错不代表任务完成，协议、真实执行和业务目标必须分别判断并记录证据。
- [Agent 工具超时怎么办？重试、换工具、降级和停止怎样设计](https://www.wushixiongai.com/questions/project/agent/agent-tool-timeout-retry-fallback)：工具超时先识别错误、副作用和剩余预算，再选择有限重试、兼容降级或安全停止。
- [Agent 调用写操作怎么防误执行？副作用分级、幂等、确认和审计怎样做](https://www.wushixiongai.com/questions/project/agent/agent-side-effect-safety-idempotency)：模型只能建议写操作，真实执行必须经过权限、确认、幂等状态机和完整审计。
- [MCP 和 Function Calling 有什么区别？Agent 工具接入时两者怎样配合](https://www.wushixiongai.com/questions/project/agent/mcp-vs-function-calling-agent-tools)：Function Calling 表达模型调用意图，MCP 标准化 Host 到外部工具的发现、连接与结果传输。
- [Agent 短任务和长任务怎么记？工作记忆、长期记忆与任务状态怎样分层](https://www.wushixiongai.com/questions/project/agent/agent-short-long-task-memory)：工作记忆服务当前推理，任务状态保证长任务连续，长期记忆只保存未来仍值得复用的信息。
- [Agent 长期记忆什么时候写入？从候选提取到更新、冲突和遗忘的完整生命周期](https://www.wushixiongai.com/questions/project/agent/agent-memory-write-lifecycle)：长期记忆不是自动保存对话，而是一条带授权、来源、版本、权限和删除能力的数据生命周期。
- [Agent 从海量记忆里怎么找对内容？相关性、时间性和重要性怎样组合](https://www.wushixiongai.com/questions/project/agent/agent-memory-relevance-recency-importance)：先过滤不能用的记忆，再用相关性、时间性、重要性和来源选择真正值得进入上下文的少量内容。
- [Agent 记忆数据怎么存？关系库、向量库、对象存储与 Schema 怎样设计](https://www.wushixiongai.com/questions/project/agent/agent-memory-storage-schema)：关系库保存事实和生命周期，向量库只做语义索引，对象存储放大工件，缓存不承担真相。
- [复杂任务一定要拆成多 Agent 吗？单 Agent 与多 Agent 怎么选](https://www.wushixiongai.com/questions/project/agent/single-agent-vs-multi-agent)：先用单 Agent 建立失败基线，只有拆分能带来可验证的专业化、隔离或并行时才引入多 Agent。
- [多 Agent 怎么编排？固定流水线和 Supervisor 监督模式怎么选](https://www.wushixiongai.com/questions/project/agent/multi-agent-pipeline-vs-supervisor)：固定依赖交给图，运行时未知分支才交给 Supervisor，多数可靠方案是外层 Pipeline 加局部动态监督。
- [Text2SQL 面对上百张表，怎样选对 Schema 并处理业务歧义](https://www.wushixiongai.com/questions/project/agent/text2sql-schema-selection-ambiguity)：先解析业务口径并构造最小连通 Schema，无法唯一确定指标、时间或范围时再做最小澄清。
- [Text2SQL 生成的 SQL 敢直接执行吗？安全校验与执行边界怎么设计](https://www.wushixiongai.com/questions/project/agent/text2sql-sql-safety-validation)：模型只生成不可信查询计划，系统用 AST、权限、资源、隔离执行和结果审查决定能否运行。
- [Agent 能执行 Python 代码，怎样设计 Code Interpreter 沙箱才不会伤到宿主机](https://www.wushixiongai.com/questions/project/agent/agent-code-interpreter-sandbox)：源码检查只减少误用，真正安全边界是短生命周期执行环境、最小权限、网络文件隔离和资源限制。
- [Agent 线上答错一次，怎样用 Trace 和 Replay 定位到底哪一步坏了](https://www.wushixiongai.com/questions/project/agent/agent-trace-replay-observability)：Trace 还原任务事实链，Replay 复现和验证修复，最终从用户失败定位到最早错误步骤。
- [Agent 怎么评估才不只看最终答案？任务、执行轨迹与成本要分层验收](https://www.wushixiongai.com/questions/project/agent/agent-evaluation-task-trajectory-cost)：结果证明事情做成，轨迹证明过程可靠，成本证明方案值得，安全与关键事实不能被综合分抵消。

## 简历项目模拟面试（10 组）
> 以下页面展示教学用项目描述和连续面试问题，不包含个性化回答。
- [企业知识库 RAG 架构项目深挖题](https://www.wushixiongai.com/resume-interview/enterprise-rag-architecture)：适合简历中写过企业知识库或 RAG 项目的人，重点练自己负责的部分、项目架构、检索效果和上线问题。
- [PDF、表格、OCR 与文档解析项目深挖题](https://www.wushixiongai.com/resume-interview/document-parsing-pipeline)：适合写过 PDF、表格或 OCR 解析的人，重点练处理流程、质量评估、错误页面和失败兜底。
- [混合检索、RRF 与重排项目深挖题](https://www.wushixiongai.com/resume-interview/hybrid-retrieval-rrf-rerank)：适合写过混合检索、RRF 或重排的人，重点练为什么这样选、效果提升来自哪里、延迟增加多少。
- [RAG 评测集与 bad case 项目深挖题](https://www.wushixiongai.com/resume-interview/rag-evaluation-bad-cases)：适合做过 RAG 评测的人，重点练评测数据怎么来、指标怎么算、错误怎么定位，以及怎样持续改进。
- [多轮对话、引用与权限隔离项目深挖题](https://www.wushixiongai.com/resume-interview/multi-turn-citation-permission)：适合做过多轮对话、引用或权限控制的人，重点练上下文管理、引用准确性和不同用户的数据隔离。
- [Agent 工具调用与 Schema 设计项目深挖题](https://www.wushixiongai.com/resume-interview/agent-tool-schema)：适合做过 Agent 工具调用的人，重点练接口设计、参数校验、失败重试、重复执行和安全控制。
- [Agent 工作流、状态持久化与人工介入项目深挖题](https://www.wushixiongai.com/resume-interview/agent-workflow-state-human)：适合做过 Agent 工作流的人，重点练状态如何保存、失败后怎样恢复，以及什么时候需要人工确认。
- [Agent 超时、重试、幂等、安全与降级项目深挖题](https://www.wushixiongai.com/resume-interview/agent-reliability-safety)：适合处理过 Agent 超时、重试或降级的人，重点练故障处理、避免重复执行、安全防护和失败兜底。
- [vLLM 推理服务、吞吐、延迟与成本项目深挖题](https://www.wushixiongai.com/resume-interview/vllm-serving-performance-cost)：适合部署过大模型推理服务的人，重点练服务选型、吞吐、延迟、显存、容量和成本。
- [Trace、线上监控与问题复盘项目深挖题](https://www.wushixiongai.com/resume-interview/trace-monitoring-incident-review)：适合建设过大模型监控或 Trace 的人，重点练日志、指标、故障定位，以及如何避免同类问题再次发生。

## 说明
- 全站题目页、教程章节页与简历项目模拟面试页均为静态 HTML（正文全文可抓取引用）；全部题目直链见 [llms-full.txt](https://www.wushixiongai.com/llms-full.txt)
- Sitemap: https://www.wushixiongai.com/sitemap.xml